论文部分内容阅读
对于医学图像而言,图像分割是对其进行分析研究的关键步骤之一,多年来受到人们的关注。但到目前为上,医学图像的分割算法仍存在诸多挑战,如边界模糊、弱化和断裂等问题,本文针对传统的医学图像分割算法难以满足现代医学图像处理的要求,提出了改进的医学图像处理分割算法。目前被中外学者研究最多的图像分割算法分别是基于能量最小化的图割算法和基于偏微分方法的活动轮廓模型。Rother等人提出的Grabcut图割算法使用户交互量大大降低,但由于其分割精度不高、自动化程度低,使之很难应用于工程。另一方面,基于偏微分方法的活动轮廓模型能够融合图像的先验信息并且能够得到连续光滑的轮廓曲线,但容易受到图像弱边界和噪声的影响而陷入局部最优造成边界外泄。为此,本文为了提升分割精度、分割速度、对Grabcut算法和传统的水平集活动轮廓模型分别进行了改进,得到了较好的实验效果。本文主要研究的内容和创新点包括以下方面：1、一种基于Grabcut的改进医学细胞图像快速分割算法的研究本章提出了一种采用Grabcut和Snake相融合的医学细胞图像分割算法。首先采用PM模型对医学细胞图像进行平滑和去噪。其次,利用基于区域生长的阈值分割方法对Snake模型的初始轮廓线进行初估计,随后利用Snake模型得到较准确的目标边界,根据该边界自动准确地获得Grabcut初始化矩形框。最后,把该矩形框传递给Grabcut算法实时精确地提取医学细胞图像轮廓。为了验证改进算法的精确度,本文还引入了分割率定量分析标准,实验结果表明本文算法结合了Snake算法和Grabcut算法的优点,在无人工交互的条件下,细胞图像轮廓平均正确分割率达到93.7%,能够满足医学图像分析的要求。为了进一步减少时间消耗并且得到精确度较高的细胞图像分割结果,本文通过设定阈值,自适应地确定Grabcut算法的迭代次数,使得本文改进算法能够根据图像的复杂程度自动确定改进算法的迭代次数,最终使时问消耗和总体误差率得到均衡。2、基于CV和LBF模型结合的医学图像分割算法的研究与实现本章提出另外一种自适应权重系数的水平集融合图像分割算法。首先,用PM模型对医学图像预处理,去除图像噪声、增强图像边界。然后,利用自适应的权重系数ω实现根据图像信息自动调节CV算法和LBF算法对融合算法的影响。该ω的设计能够反应医学图像的灰度均匀程度,使得当图像灰度不均时以LBF算法为主导,反之则体现以CV算法为主导。并且对于CT、MR等较复杂的医学图像,本文算法仍比传统的CV算法和LBF算法具有更准确的分割精度和更高的分割效率。